CN107194930B - 基于元胞自动机的文物表面纹理特征提取方法 - Google Patents

基于元胞自动机的文物表面纹理特征提取方法 Download PDF

Info

Publication number
CN107194930B
CN107194930B CN201710190192.0A CN201710190192A CN107194930B CN 107194930 B CN107194930 B CN 107194930B CN 201710190192 A CN201710190192 A CN 201710190192A CN 107194930 B CN107194930 B CN 107194930B
Authority
CN
China
Prior art keywords
gray value
image
texture feature
texture
cell
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710190192.0A
Other languages
English (en)
Other versions
CN107194930A (zh
Inventor
王小凤
宋倩楠
王娜
周光鲁
耿国华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern University
Original Assignee
Northwestern University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern University filed Critical Northwestern University
Priority to CN201710190192.0A priority Critical patent/CN107194930B/zh
Publication of CN107194930A publication Critical patent/CN107194930A/zh
Application granted granted Critical
Publication of CN107194930B publication Critical patent/CN107194930B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于元胞自动机的文物表面纹理特征提取方法，首先拍取文物表面图像，将拍取的文物表面图像转换为灰度值图像，对灰度值图像进行增强处理，采用SLIC算法将增强处理后的灰度值图像分割成n个超像素点，将每个像素点作为一个元胞；通过每个元胞与其四邻域元胞之间灰度值的相关性来判断该元胞是否处在纹理特征处，提取初步纹理特征；对初步纹理特征图像进行优化处理，得到优化后的每个元胞的灰度值，即纹理特征图；本发明通过元胞自动机的演化规则，通过设定一定的阈值，可以有效的将灰度值差异较大提取出来。再通过一定的优化函数，使得纹理特征处更加清晰，非纹理特征处相应的被弱化，运行时快速高效，提取特征时高效、快速。

Description

基于元胞自动机的文物表面纹理特征提取方法
技术领域
本发明属于图像处理技术领域，涉及一种提取文物表面纹理特征的方法，具体涉及一种基于元胞自动机的文物表面纹理特征提取方法。
背景技术
大量文物在出土时已经破碎成堆，这些来自不同文物或不同部位的碎块混在一起，对文物的复原工作造成诸多不便。对于表面具有浮雕或者印记且这种凸起或者凹陷的结构具有一定规律性和重复性的碎片，提取其表面的规律性显著特征不仅可用于碎片的分类和识别，对碎片后期的自动拼接起到指导性作用；同时还可以用于文物碎片修复，从而整体提高工作效率。
目前国内外已有许多学者在纹理特征提取方面做了广泛的研究，其中较为著名的有灰度共生矩阵(gray level co-occurrence matrix，GLCM)算法、马尔科夫随机场(Markov random field，MRF)模型算法、小波变换(discrete wavelet transform，DWT)算法等，这些方法在图像分类和模式识别应用领域内取得了较好的结果。但是这些方法共同的突出问题是计算复杂度较大，同时对于背景干扰或者光照不均的问题图片，它们的处理效果往往欠佳。因此，T.Ojala等人于1996年提出了局部二值模式算法(Local BinaryPatterns，LBP)，用于纹理特征的描述。由于LBP计算复杂度小，并且具有灰度不变性和旋转不变性，因此在纹理分析的相关领域受到高度关注。但是LBP算法对纹理特征进行描述时仅依赖中心点和其邻域点的灰度差异，对于相邻点之间的灰度值变化规律关注度过低，导致本身像素灰度值分布不同的中心像素却有相同的位置关系，由于丢掉图像自身所独有的纹理特征而在一定程度上造成信息的浪费，使检索结果出现较大的偏差。
发明内容
针对上述现有技术存在的不足，本发明的目的在于提供一种基于元胞自动机的纹理特征提取方法，它具有并行高速处理的能力，可以通过邻居间的相互交流在共同的演化规则下来探索图像所具有的特征信息，并且提取出的纹理特征较为显著。
为解决上述技术问题，本发明采用了以下技术方案：
基于元胞自动机的文物表面纹理特征提取方法，首先拍取文物表面图像，还包括以下步骤：
步骤一：将拍取的文物表面图像转换为灰度值图像，对灰度值图像进行增强处理；
步骤二：采用SLIC算法将增强处理后的灰度值图像分割成n个超像素点，将每个像素点作为一个元胞；
步骤三：通过公式(1)来提取初步纹理特征，得到初步纹理特征图像；
Figure BDA0001255654500000021
其中，
Figure BDA0001255654500000022
其中，i表示中心元胞，i＝1,2,…,n，Ii表示中心元胞的灰度值，Ij表示i的四邻域元胞的灰度值，N＝1000；Δ表示相关性的筛选阈值，Δ＝0.03～0.09；
Figure BDA0001255654500000031
表示演化前中心元胞及其四领域元胞的灰度值，
Figure BDA0001255654500000032
表示演化后中心元胞的灰度值；
步骤四：通过公式(3)对步骤三获得的初步纹理特征图像进行优化处理，得到纹理特征图；
Figure BDA0001255654500000033
其中,Fi,j表示优化后的中心元胞的灰度值，β＝2*Ptexture，Ptexture表示纹理特征的概率，取值范围0～95。
本发明的有益效果：
(1)本发明的方法提取特征时高效、快速，且纹理较为清晰；由于元胞自动机固有的并行高速处理的能力，使得本算法在运行时快速高效。
(2)本发明通过元胞自动机的演化规则，通过设定一定的阈值，可以有效的将灰度值差异较大(即纹理特征处)提取出来。再通过一定的优化函数，使得纹理特征处更加清晰，非纹理特征处相应的被弱化。
附图说明
图1是本发明方法的流程图。
图2是本发明与现有其它方法是实验对比图，其中：(a)原图，(b)本发明方法，(c)BSCA算法，(d)HOG算法，(e)LBP算法。
图3是本发明不同阈值选择的实验结果图，其中：(a)碎片原图，(b)Δ＝0.03，(c)Δ＝0.052，(d)Δ＝0.09。
以下结合附图与具体实施方式对本发明进一步解释说明。
具体实施方式
基于元胞自动机的文物表面纹理特征提取方法，首先拍取文物表面图像，还包括以下步骤：
步骤一：将拍取的文物表面图像转换为灰度值图像，对灰度值图像进行增强处理，以突出灰度值图像中有用信息，抑制灰度值图像中的无用信息；
步骤二：采用SLIC算法将增强处理后的灰度值图像分割成n个超像素点，将每个像素点作为一个元胞；
步骤三：通过观察碎片的纹理特征可以发现,如果一个像素即元胞落在纹理处,那么它的附近将是一个灰度级过渡的区域,即纹理特征处即是灰度值发生剧烈变化的地方。因此通过每个元胞与其四邻域元胞之间灰度值的相关性来判断该元胞是否处在纹理特征处，来提取初步纹理特征；
相关性F(Ii,Ij)计算公式为：
Figure BDA0001255654500000041
其中，i表示中心元胞，i＝1,2,…,n，Ii表示中心元胞的灰度值，Ij表示i的四邻域元胞的灰度值，N＝1000；
当元胞相关性小于F(Ii,Ij)时，为非纹理特征处；当元胞相关性大于F(Ii,Ij)时为纹理特征处，即灰度值突变处，此时将中心元胞及其四邻域元胞中的灰度最大值作为作为下一时刻的中心元胞的灰度值，相应的演化规则为：
Figure BDA0001255654500000042
其中，Δ表示相关性的筛选阈值，Δ＝0.03～0.09；
Figure BDA0001255654500000043
表示当前时刻(即演化前)中心元胞及其四领域元胞的灰度值，
Figure BDA0001255654500000051
的值总共有五个，然后将这五个值中的最大值作为下一时刻(即演化后)中心元胞的灰度值，即
Figure BDA0001255654500000052
更新结束。
公式(1)中取极大值操作是为了尽可能加强纹理特征的凸显性，而对于其他不相关的细节，使其效果尽量淡化。
步骤四：在经过上述处理后,仍然会存在一些非纹理特征处被提取出来的情况,因此需要进一步修改规则,此时对步骤三获得的初步纹理特征图像进行优化处理，使得纹理特征处更加清晰,而非纹理特征处相应的弱化；
优化函数为：
Figure BDA0001255654500000053
其中,Fi,j表示优化后的中心元胞的灰度值，β＝2*Ptexture，Ptexture表示纹理特征的概率，取值范围0～95；
最终，得到优化后的每个元胞的灰度值，即纹理特征图。通过上述优化规则之后，提取出的碎片纹理特征图中纹理特征将被进一步强化，非纹理特征处也相应的被弱化。
通常情况下,对于一幅纹理图像来说，β的值是一个常数。而这个常数会使得纹理特征处的像素值更加清晰,而非纹理特征处的像素更加弱化。关于常数β的取值,本发明使用随机元胞自动机来进行选择。在该方法中,随机元胞自动机会观察每个元胞的像素情况,通过观察每个元胞属于纹理特征处的像素概率,使用随机元胞自动机来确定合适的β取值。
在确定规则之前,假定变量Similarity_Count保存在Von Neumann邻域中每个邻居元胞像素与中心元胞像素有相似灰度值的数量。相应的规则如表1所示。
表1随机元胞自动机规则
Figure BDA0001255654500000061
以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1
本实施例给出一种基于元胞自动机的文物表面纹理特征提取方法，选用G10-18号部分兵马俑铠甲碎片为实验数据，分别对本发明方法、BSCA算法、HOG算法和LBP算法进行实验，实验结果如图2所示；从图中可以看出，BSCA算法对于碎片的整体轮廓提取效果较好，但细节部分没有得到提取。HOG算法和LBP算法可以提取出碎片的纹理特征，但是提取效果并不明显，不能只将纹理特征单独提取出来。而本发明可以将纹理特征提取出来，而且提取的纹理特征处更加清晰。
针对阈值Δ的选取，分别给出了Δ＝0.03、Δ＝0.052、Δ＝0.09不同阈值选取的实验结果图，如图3所示，结果表明Δ取0.052，即图2(c)，本方法的纹理特征提取效果最佳。

Claims (1)

1.基于元胞自动机的文物表面纹理特征提取方法，首先拍取文物表面图像，其特征在于：还包括以下步骤：
步骤一：将拍取的文物表面图像转换为灰度值图像，对灰度值图像进行增强处理；
步骤二：采用SLIC算法将增强处理后的灰度值图像分割成n个超像素点，将分割后的每个超像素点作为一个元胞；
步骤三：通过公式(1)来提取初步纹理特征，得到初步纹理特征图像；
Figure FDA0002782057080000011
其中，
Figure FDA0002782057080000012
其中，i表示中心元胞，i＝1,2,…,n，Ii表示中心元胞的灰度值，Ij表示i的四邻域元胞的灰度值，N＝1000；Δ表示相关性的筛选阈值，Δ＝0.03～0.09；
Figure FDA0002782057080000013
表示演化前中心元胞及其四领域元胞的灰度值，
Figure FDA0002782057080000014
表示演化后中心元胞的灰度值；
步骤四：通过公式(3)对步骤三获得的初步纹理特征图像进行优化处理，得到纹理特征图；
Figure FDA0002782057080000015
其中,Fi,j表示优化后的中心元胞的灰度值，β＝2*Ptexture，Ptexture表示纹理特征的概率，取值范围0～0.95。
CN201710190192.0A 2017-03-27 2017-03-27 基于元胞自动机的文物表面纹理特征提取方法 Expired - Fee Related CN107194930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710190192.0A CN107194930B (zh) 2017-03-27 2017-03-27 基于元胞自动机的文物表面纹理特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710190192.0A CN107194930B (zh) 2017-03-27 2017-03-27 基于元胞自动机的文物表面纹理特征提取方法

Publications (2)

Publication Number Publication Date
CN107194930A CN107194930A (zh) 2017-09-22
CN107194930B true CN107194930B (zh) 2021-06-08

Family

ID=59871789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710190192.0A Expired - Fee Related CN107194930B (zh) 2017-03-27 2017-03-27 基于元胞自动机的文物表面纹理特征提取方法

Country Status (1)

Country Link
CN (1) CN107194930B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508837A (zh) * 2019-08-26 2021-03-16 天津新松机器人自动化有限公司 一种可用于深度图纹理检测的算子

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1971619A (zh) * 2006-12-05 2007-05-30 上海大学 基于元胞自动机的图像边缘检测算法
CN105894502A (zh) * 2016-03-30 2016-08-24 浙江大学 基于超图模型的rgbd图像显著性检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6393154B1 (en) * 1999-11-18 2002-05-21 Quikcat.Com, Inc. Method and apparatus for digital image compression using a dynamical system
US7467180B2 (en) * 2003-05-29 2008-12-16 International Business Machines Corporation Automatically segmenting and populating a distributed computing problem
JP2013165476A (ja) * 2011-11-11 2013-08-22 Mitsubishi Electric Corp 画像処理装置、画像処理方法、画像表示装置、プログラム及び記録媒体

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1971619A (zh) * 2006-12-05 2007-05-30 上海大学 基于元胞自动机的图像边缘检测算法
CN105894502A (zh) * 2016-03-30 2016-08-24 浙江大学 基于超图模型的rgbd图像显著性检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于元胞自动机的毫米波图像边缘检测;王学玲 等;《微计算机信息》;20070731;第23卷(第8-3期);正文第1-3节 *

Also Published As

Publication number Publication date
CN107194930A (zh) 2017-09-22

Similar Documents

Publication Publication Date Title
Zhang et al. Contact lens detection based on weighted LBP
CN111339862B (zh) 一种基于通道注意力机制的遥感场景分类方法及装置
CN104881668B (zh) 一种基于代表性局部模式的图像指纹提取方法及系统
CN107194930B (zh) 基于元胞自动机的文物表面纹理特征提取方法
CN109670408A (zh) 一种基于对象的遥感图像水体提取方法
CN109299295B (zh) 蓝印花布图像数据库搜索方法
CN104239551B (zh) 基于多特征vp树索引的遥感图像检索方法及装置
Wang et al. Fingerprint Refinement Model Based on Improved OPTA
Chen et al. A deep two-stage scheme for polycrystalline micro-crack detection
Choo et al. Image segmentation for complex natural scenes
CN109977849B (zh) 一种基于迹变换的图像纹理特征融合提取方法
Al Saidi et al. A novel texture descriptor: circular parts local binary pattern
CN114429537A (zh) 石窟点云中提取佛龛的方法
Wu et al. Human ear recognition using HOG with PCA dimension reduction and LBP
Hamouchene et al. A new segmentation architecture for texture matching using the LBP method
CN111462144B (zh) 一种基于粗糙集的快速抑制图像模糊边界的图像分割方法
Kaur et al. Forgery Detection For High-Resolution Digital Images Using FCM And PBFOAAlgorithm
Han et al. A multiple feature fusion based image retrieval algorithm
MAHURKAR et al. Novel Outline Tracing Techniques for Leaf Species Identification from Shrouded Leaves
Zhang et al. Recognition Method for Earthquake-induced Building Damage from Unmanned-aerial-vehicle-based Images Using Bag of Words and Histogram Intersection Kernel Support Vector Machine.
CN111401404B (zh) 一种适用于含噪图像的关联分析方法
Lutfiyana et al. Temple Rock Damage Detection System in Digital Image at Borobudur Conservation Center
Hwang et al. An Implementation of Copy-Move Forgery Detector using SIFT-based Feature Refinement
Liu et al. cutting Image Retrieval Technology based on LSH Improvement
CN117765287A (zh) 一种结合lwr和密度聚类的图像目标提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210608

CF01 Termination of patent right due to non-payment of annual fee